基于改进BET算法的MR颅脑图像脑组织自动提取

为稳定地自动从MR颅脑图像中提取脑组织,在经典的BET算法(brain extraction tool)的基础上提出了一种改进算法。该算法简化了BET中用来保持曲线光滑的平滑力,改进了BET中将曲线演化到脑组织边界的扩张力,引入了图像梯度的作用使曲线在脑组织内部演化快,在脑组织边界演化慢从而得到更好的结果。改进算法对100个临床病例的真实MR图像进行处理都得到理想的结果,相比之下BET算法有8例不成功。可见改进算法在处理真实MR图像时比经典BET算法更为稳定。

一种基于分层Mumford-Shah模型的颅脑图像分割方法

在介绍简化Mum ford-Shah模型和水平集(Level Set)方法的基础上,针对颅脑多目标分割问题,提出了一种基于分层Mum ford-Shah模型的图像分割方法,并运用改进图像分割方程进行计算求解,对颅脑MR图像的分割实验证明了该方法的有效性。

模糊K-均值聚类算法及其在磁共振颅脑图像分割中的应用研究

目的 介绍一种动态模糊聚类算法并利用该算法对磁共振图像进行分割研究。方法 首先对磁共振颅脑图像进行预处理去掉颅骨和肌肉等非脑组织，只保留大脑组织，然后利用模糊Ｋ－ 均值聚类算法计算脑白质、脑灰质和脑脊液的模糊类属函数。结果 模糊Ｋ－ 均值聚类算法能很好地分割出磁共振颅脑图像中的灰质、白质和脑脊液。结论 利用模糊Ｋ－ 均值聚类算法分割磁共振颅脑图像能获得较好的分割效果。

基于非线性各向异性散布滤波器的磁共振颅脑图像的分割方法

目的介绍一种有效的分割磁共振颅脑图像中的大脑结构的方法。 方法它是一个多步处理过程 ,首先 ,粗略地勾画出磁共振颅脑图像中的大脑结构作为感兴趣区 ;其次 ,对感兴趣区进行各向异性散布滤波处理 ;然后 ,对滤波图像进行二值化处理作为图像模板 ;最后 ,利用该模板从原始图像中提取出大脑结构。 结果该方法能有效地分割出磁共振颅脑图像中的大脑结构。 结论利用基于非线性各向异性散布滤波器的图像处理技术能很好地从磁共振颅脑图像中分割出大脑结构。该算法具有很强的鲁棒性和稳定性。

Gabor滤波器组实现颅脑图像的边缘快速提取

在医学图像处理过程中,针对一般方法提取颅脑图像边缘不是很清晰的情况,提出了一种基于短时傅立叶变换的新的Gabor滤波方法。该方法通过选取一组能够覆盖整个频域的滤波器,分别提取图像的局部边缘信息,然后按照一定的规则将提取出局部信息的多幅图像整合成一幅图像。普通Gabor滤波计算量较大,耗时较长,而该文所述方法能显著地减少运算量。并且相对于其他几种滤波方法也表现出定位准确,检测效果明显,以及鲁棒性较好的特点。

基于先验知识的颅脑CT图像自动化分割

利用颅脑CT图像各个主要组成区域的CT值分布差异和形态学特点等先验知识,以及DICOM图像文件提供的有关信息实现了颅脑CT图像中包括头架、头皮、颅骨、脑脊液和脑实质等区域的完全自动化分割。该算法对复杂图像处理研究的预处理,可视化三维重建,脑萎缩定量诊断以及数字化脑图谱制作等方面均具有的应用价值。

遗传神经网络在颅脑磁共振图像分割中的应用

采用全局最优化算法——实数遗传算法改进BP神经网络的学习算法.在此基础上,提出了一种新的基于实数遗传神经网络的磁共振图像分割算法.实验结果表明,新算法可以有效地降低噪声和边缘模糊对分割结果的影响.另外,设计了一个新的加速遗传算子,可以提高实数遗传算法的收敛速度.

颅脑MRI图像的分水岭分割方法研究

针对颅脑MRI图像的模糊特点和实际应用的要求,提出了一种改进的分水岭算法。从图像的结构信息考虑,由于噪声产生的谷底值很小,而对应于真正的区域,每个区域的最小谷底会有一个很大的动态值,这个值与没有噪声时的谷底动态值相近。因此,只要简单地给一个阈值,就可以将那些由噪声产生的谷底滤掉,从而也就抑制了过分割问题。结果表明,该方法能够快速、准确地得到医学图像的分割结果,并且具有较强的抗噪声能力。

一种基于纹理的颅脑CT图像病变检出算法

以颅脑CT图像为研究对象用基于纹理的数字化统计图谱方法进行了病变自动化检出的研究,提出并创建基于纹理的数字化统计图谱——纹理层析图谱。通过比较待诊断颅脑CT图像与纹理层析图谱间的差异,实现颅脑CT图像中多种病变的计算机自动化检出。实验结果表明,在不知道病变种类的前提下,基于纹理层析图谱的病变检出算法可以实现颅脑CT图像所含病变的自动化检出。利用图像的纹理信息变化是实现颅脑CT图像病变检出的一个有效途径。

颅脑磁共振图像分割评价的统计学方法

目的评价颅脑磁共振图像分割算法的分割效果;方法设计新的评价方案,并采用统计学方法,客观分析评价结果;结果遣传神经网络分割算法的抗噪声能力强于其他算法;结论统计学评价方法有助于客观地评价分割效果。

基于特征向量的颅脑CT图像分割方法

针对脑肿瘤和脑出血的检出应用,提出一种新的将颅脑CT图像分割为白质、灰质和脑脊液3个区域的方法。首先用阈值法与数学形态学结合的方法提取出颅腔内脑部组织,然后利用灰度信息将其分割成脑脊液区域和其他区域。计算其他区域像素的几何矩及几何矩的方差,并结合像素的边界特性为每个像素构建特征向量。用M FCM算法对特征向量进行聚类将图像分割成白质和灰质,并用数学形态学对聚类结果进行滤波。实验结果验证了本文方法的先进性。

基于最大熵阈值分割法的颅脑CT图像血肿自动诊断系统研究

目的:探讨颅脑CT图像中血肿区域自动分割的图像处理方法,以解决人工处理颅脑CT图像效率低及误差大等问题。方法:选取在医院进行治疗的出血性脑卒中病患的颅脑CT图像,基于颅脑解剖结构及CT成像原理分析得到CT图像的先验模型,并根据其一维灰度直方图特征为基础,进行颅骨区域图像和颅内组织的分割,依据病灶一维灰度直方图的曲线特征完成病灶的分类检测,并采用最大熵阈值分割法(KSW熵算法)确定最佳分割阈值实现血肿区域的分割,并完成颅脑CT图像血肿自动检测系统的设计。结果:通过对颅脑CT图像实施分割,结果表明该方法能够明显降低血肿区域的分割误差<6.5%。结论:基于KSW熵算法能够确定颅脑CT图像中血肿区域的最佳分割阈值,较好实现血肿病灶的自动化诊断。

利用灰度切片的非对称非线性映射处理颅脑MR图像

目的 :探讨增强颅脑MRI图像病变部位的信号强度的方法 ,从而为自动筛选病变区域提供依据。方法 :设计利用灰度切片的非对称非线性映射的数学方法同时对灰度 -视觉响应进行补偿。结果 :处理结果显示 ,颅脑MR图像病变部位的信号强度得到增强。结论

非负Laplacian嵌入在颅脑MR图像分割中的应用

在图理论的基础上,将非负Laplacian嵌入应用于颅脑核磁共振图像分割。该算法首先利用均值漂移算法对图像进行预分割,然后利用Gabor滤波器组对分块进行纹理特征提取,再将各分块映射为图中的每一个顶点,最后对图进行非负Laplacian嵌入得到每一小块的聚类结果。实验表明,相对于传统的Laplacian嵌入方法,非负Laplacian嵌入能够得到更好的分割结果。

青少年与成人首发抑郁障碍患者临床特征及颅脑磁共振成像结构图像异常特征比较

目的:比较青少年与成人首发抑郁障碍患者的临床特征及颅脑磁共振成像(MRI)结构图像异常特征,为青少年首发抑郁障碍发病机制的探讨提供依据。方法:回顾性分析2017年7月至2018年12月首都医科大学附属北京安定医院收治的167例青少年首发抑郁障碍患者的临床资料作为青少年组,将同期收治的198例成人首发抑郁障碍患者的临床资料作为成人组,比较两组临床特征及颅脑MRI结构图像异常特征,并采用Logistic回归分析青少年首发抑郁障碍患者伴精神病性症状的影响因素。结果:青少年组母孕期异常及伴精神病性症状占比均高于成人组,差异有统计学意义(P<0.05);两组性别、家族史阳性、性格特征、病程、有无自杀观念分布情况比较,差异均无统计学意义(P>0.05)。青少年组颅脑MRI结构图像异常78例(46.71%),成人组颅脑MRI结构图像异常95例(47.98%),两组比较,差异无统计学意义(P>0.05);其中,两组海马萎缩占比比较,差异无统计学意义(P>0.05);青少年组皮质萎缩占比和其他颅脑MRI结构异常占比均低于成人组,先天性脑发育异常占比高于成人组,差异有统计学意义(P<0.05)。青少年首发抑郁障碍伴和不伴精神病性症状患者的性别、年龄、起病年龄、病程、母孕期异常、家族史阳性、性格特征、自杀观念、海马萎缩分布情况比较,差异均无统计学意义(P>0.05);青少年首发抑郁障碍伴精神病性症状患者先天性脑发育异常占比高于不伴精神病性症状患者,差异有统计学意义(P<0.05);经Logistic回归分析结果显示,先天性脑发育异常为影响青少年首发抑郁障碍患者伴精神病性症状的危险因素(OR>1,P<0.05)。结论:青少年首发抑郁障碍患者伴精神病性症状占比高于成年人首发抑郁障碍患者,青少年首发抑郁障碍患者皮质萎缩占比和其他颅脑MRI结构异常占比低于成人首发抑郁障碍患者,先天性脑发育异常为影响青少年首发抑郁障碍患者伴精神病性症状的危险因素。

基于BCNN的胎儿颅脑超声横切面识别算法

孕期超声检查是评估胎儿大脑发育、检测生长异常的重要步骤,开展对胎儿早期检查准确高效的诊断研究具有重要的临床价值。文中使用双线性卷积神经网络BCNN进行胎儿颅脑横切面识别,提出了BCNN-R和BCNN-S两种算法。BCNN算法首先对输入的胎儿颅脑超声影像数据进行预处理,去除个人信息等敏感信息;其次,利用两路并行的子网络从影像数据中提取辨识度高、鲁棒性强的横切面特征,并将其融合得到有助于识别的细微特征;最后使用线性连接层进行识别和分类。为了验证算法的有效性,在自建胎儿超声数据集JFU19上进行了对比实验,实验结果表明,所提算法相比常见的深度网络(GoogleNet,DenseNet,SeNet等)在分类性能上有明显的提升,其中BCNN-S算法的总体准确率达到了88.95%,BCNN-R在水平横切面的识别上达到了97.22%的精确度和88.61%的召回率。此外,在公开数据集HC18上进行了实验,BCNN算法的准确率、精确度、召回率分别达到了89.48%,87.66%和87.71%,进一步验证了算法的有效性。

基于小波包和改进的FCM的医学图像分割

提出应用最优小波包变换对磁共振颅脑图像做分解,以各子带小波包系数的能量形成纹理特征集;并运用基于核函数的模糊C均值聚类算法(Kernel-Based Fuzzy C-means Algorithm,KFCM)对所提取到的特征集进行聚类分析,从而实现了对磁共振颅脑图像的有效分割。实验证明应用KFCM算法做分割的收敛速度和抗噪性明显优于FCM算法。

利用统计学评价结果辅助颅脑MRI分割方法的参数设计

目的:设计适用于颅脑磁共振图像分割的神经网络算法。方法:设计新的评价方案,并采用统计学方法客观分析分割的结果,根据分析结果确定合适的参数。结果与结论:统计学评价方法有助于颅脑MRI分割方法的参数设计。

基于双支路特征融合的MRI颅脑肿瘤图像分割研究

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。

基于深度学习的三叉神经区域自动检测及TensorRT加速

利用深度学习技术对颅脑核磁共振图像(MRI)中三叉神经区域进行自动检测可为后续三叉神经分割提供可靠的输入图像,有效解决了人工筛选三叉神经对临床医生专业素养要求高、耗时长等弊端。采用YOLO网络自动检测颅脑核磁共振图像中三叉神经区域提高推理速度,并系统性地评估NVIDIA TensorRT框架在不同计算平台下的推理性能。实验结果表明,通过YOLO目标检测网络能够准确检测出三叉神经所在的区域,同时在NVIDIATensorRT框架下,当输入的颅脑MRI分辨率为(204×204)时,CPU平台、嵌入式GPU平台、桌面GPU平台及专业GPU计算卡平台下,YOLOv2网络检测优化后的三叉神经目标的每秒帧率分别可达到0.1 FPS,23.4 FPS,112.5FPS和793.7 FPS,这为后续开发便携式的三叉神经分割设备提供了可参考的重要依据。